使用dplyr按家庭分组统计户主年龄、人均收入等特征的方法咨询

现有代码正误判断 #

• 正确部分：
  • 家庭人均收入计算逻辑sum(Income)/n()完全正确，为组内总收入除以家庭人数，符合需求
  • 家庭残障成员标识计算逻辑max(Disable)完全正确，只要组内有1名残障成员结果就为1，符合需求
• 错误部分（Age_HH字段）：
  你当前使用的case_when(HH == 1 ~ AGE, TRUE ~ 0)是逐行判断逻辑，返回的向量长度等于家庭组内人数，而summarise()要求每个聚合字段返回单值，运行时要么直接触发报错，要么返回不符合预期的结果（如果家庭组内首行不是户主，会误取0作为户主年龄）。

更优的Age_HH计算方案 #

针对超大数据量场景，推荐两种高效简洁的写法，都能稳定返回正确结果：

1. 下标取值法：逻辑最直观，直接提取户主对应的年龄

dt %>%
 group_by(Family) %>%
  summarise(
   Age_HH = AGE[HH == 1],
   Family_income_percapita = sum(Income)/n(),
   Disable = max(Disable)
  )

如果需要兼容“单家庭出现多个户主”的异常数据，可增加first()限制返回单值：Age_HH = first(AGE[HH == 1])；如果存在无户主的家庭，可加默认值逻辑：Age_HH = ifelse(length(AGE[HH==1]) == 0, NA_real_, AGE[HH==1])
2. 乘积求和法：利用HH字段0/1的取值特性，运算效率更高，更适合超大规模数据集

dt %>%
 group_by(Family) %>%
  summarise(
   Age_HH = sum(AGE * HH),
   Family_income_percapita = sum(Income)/n(),
   Disable = max(Disable)
  )

校验说明 #

使用你提供的模拟数据集测试，上述优化后代码输出结果和你给出的预期结果完全一致，可直接上线使用。

内容的提问来源于stack exchange，提问作者Ariel